ترجمه فارسی مقاله خواندن با قصد

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Reading with Intent
عنوان مقاله به فارسی خواندن با قصد
نویسندگان Benjamin Reichman, Kartik Talamadupula, Toshish Jawale, Larry Heck
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Artificial Intelligence,Information Retrieval,Machine Learning,محاسبه و زبان , هوش مصنوعی , بازیابی اطلاعات , یادگیری ماشین ,
توضیحات Submitted 20 August, 2024; originally announced August 2024.
توضیحات به فارسی 20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Retrieval augmented generation (RAG) systems augment how knowledge language models are by integrating external information sources such as Wikipedia, internal documents, scientific papers, or the open internet. RAG systems that rely on the open internet as their knowledge source have to contend with the complexities of human-generated content. Human communication extends much deeper than just the words rendered as text. Intent, tonality, and connotation can all change the meaning of what is being conveyed. Recent real-world deployments of RAG systems have shown some difficulty in understanding these nuances of human communication. One significant challenge for these systems lies in processing sarcasm. Though the Large Language Models (LLMs) that make up the backbone of these RAG systems are able to detect sarcasm, they currently do not always use these detections for the subsequent processing of text. To address these issues, in this paper, we synthetically generate sarcastic passages from Natural Question's Wikipedia retrieval corpus. We then test the impact of these passages on the performance of both the retriever and reader portion of the RAG pipeline. We introduce a prompting system designed to enhance the model's ability to interpret and generate responses in the presence of sarcasm, thus improving overall system performance. Finally, we conduct ablation studies to validate the effectiveness of our approach, demonstrating improvements in handling sarcastic content within RAG systems.

چکیده به فارسی (ترجمه ماشینی)

سیستم های تقویت شده بازیابی (RAG) چگونه مدل های زبان دانش را با ادغام منابع اطلاعاتی خارجی مانند ویکی پدیا ، اسناد داخلی ، مقالات علمی یا اینترنت باز می کنند.سیستم های RAG که به اینترنت باز متکی هستند زیرا منبع دانش آنها باید با پیچیدگی های محتوای تولید شده توسط انسان مقابله کند.ارتباطات انسانی بسیار عمیق تر از کلمات ارائه شده به عنوان متن است.هدف ، تونالیته و مفهوم همه می تواند معنای آنچه را که منتقل می شود تغییر دهد.استقرار اخیر سیستم های RAG در دنیای واقعی در درک این تفاوت های ظریف ارتباطات انسانی دشواری نشان داده است.یک چالش مهم برای این سیستم ها در پردازش طعنه است.اگرچه مدل های بزرگ زبان (LLMS) که ستون فقرات این سیستم های RAG را تشکیل می دهند قادر به تشخیص طعنه هستند ، اما در حال حاضر آنها همیشه از این تشخیص ها برای پردازش بعدی متن استفاده نمی کنند.برای پرداختن به این موضوعات ، در این مقاله ، ما از نظر مصنوعی معابر طعنه آمیز را از جسد بازیابی ویکی پدیا سوال طبیعی تولید می کنیم.سپس تأثیر این معابر را بر عملکرد هر دو رتریور و بخش خواننده خط لوله RAG آزمایش می کنیم.ما یک سیستم سریع را معرفی می کنیم که به منظور تقویت توانایی مدل در تفسیر و ایجاد پاسخ در حضور طعنه ، در نتیجه عملکرد کلی سیستم بهبود می یابد.سرانجام ، ما مطالعات فرسایش را برای تأیید اثربخشی رویکرد خود انجام می دهیم و نشان می دهیم پیشرفت در رسیدگی به محتوای طعنه آمیز در سیستم های RAG.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.